Policy Research Working Paper 8380

Growth, Safety Nets and Poverty

Assessing Progress in Ethiopia from 1996 to 2011

Ruth Vargas Hill Eyasu Tsehaye

Poverty and Equity Global PracticeMarch 2018

WPS8380P

ublic

Dis

clos

ure

Aut

horiz

edP

ublic

Dis

clos

ure

Aut

horiz

edP

ublic

Dis

clos

ure

Aut

horiz

edP

ublic

Dis

clos

ure

Aut

horiz

ed

Produced by the Research Support Team

Abstract

The Policy Research Working Paper Series disseminates the findings of work in progress to encourage the exchange of ideas about development issues. An objective of the series is to get the findings out quickly, even if the presentations are less than fully polished. The papers carry the names of the authors and should be cited accordingly. The findings, interpretations, and conclusions expressed in this paper are entirely those of the authors. They do not necessarily represent the views of the International Bank for Reconstruction and Development/World Bank and its affiliated organizations, or those of the Executive Directors of the World Bank or the governments they represent.

Policy Research Working Paper 8380

This paper is a product of the Poverty and Equity Global Practice. It is part of a larger effort by the World Bank to provide open access to its research and make a contribution to development policy discussions around the world. Policy Research Working Papers are also posted on the Web at http://econ.worldbank.org. The authors may be contacted at rhill@worldbank.org.

In the past 10 years, Ethiopia experienced high and con-sistent growth, invested in public goods provision to poor households, and saw impressive gains in well-being for many households. This paper exploits variation in sec-toral growth and public goods provision across zones and time, to examine whether poverty reduction was driven by growth and provision of public goods and what type of growth—growth in agriculture, manufacturing, or ser-vices—was more effective at reducing poverty. The paper pays particular attention to controlling for other driv-ers of poverty reduction and instrumenting growth in a sector of particular policy focus—agriculture—to identify

causal effects. The analysis finds that reductions in poverty were largest in places where agricultural output growth has been higher, safety nets have been introduced, and improvements in market access have been made. Agricul-tural output growth caused reductions in poverty of 2.2 percent per year on average post-2005, and 0.1 percent per year prior to 2005. The government’s policy focus on stimulating productivity gains in smallholder cereal farmers contributed to this growth, but only when the weather was good, and prices were high. Access to markets was essen-tial: agricultural growth reduced poverty in places close to urban centers, but not in remote parts of the country.

Growth,SafetyNetsandPoverty:AssessingProgressinEthiopiafrom

1996to2011Ruth Vargas Hill and Eyasu Tsehaye1 

JEL classification: O10, 013 

Keywords: growth, poverty reduction, agriculture 

1 This paper was prepared as a background paper for the Ethiopia Poverty Assessment. The authors thank Pablo Fajnzylber, Lars Moller, Luc Christiaensen and Alemayehu Seyoum Taffesse for comments on an earlier draft. 

2 

1. Introduction

In 1996, Ethiopia was one of the poorest countries in the world, as measured by the proportion of the 

population living on less than US$1.90 per day (2011 PPP). Almost 9 in 10 households lived in rural 

areas, many of them very remote, with no access to all‐weather roads, and engaged in low‐productivity 

agricultural production. A history of negligible public investment in education was reflected in high 

illiteracy rates. A series of famines in the 1980s had depleted the asset holdings of households, leaving 

them vulnerable to continued rainfall volatility. Food aid was regularly disbursed in many parts of the 

country.  

Although Ethiopia is still a poor country today, considerable progress has been secured since 1996. From 

1996 to 2011, the proportion of households living on less than US$1.90 halved, falling from 68 to 34 

percent. Education, health and nutrition outcomes similarly saw substantial improvement (Carranza and 

Gallegos 2013). This was a period of time in which the government undertook a series of policies that 

saw them investing in rural roads, education, health, extension services and safety nets in an effort to 

address infrastructure gaps, improve human capital, raise cereal yields of smallholder farmers and 

reduce the vulnerability of rural households.  However, aside from reforms undertaken in the late 1990s 

it was also a period in which very few market reforms were undertaken, and some form of state control 

was present in many markets. An analysis of the drivers of Ethiopia’s progress provides an interesting 

test of whether an approach that focuses heavily on public investment at the expense of private market 

development can deliver welfare gains in a low‐income country.  

This paper examines poverty reduction in Ethiopia to understand what drove the gains secured, and the 

degree to which public policy secured gains. It examines the role of growth and redistribution and 

considers how policies that reduced remoteness and extended services to rural households contributed 

to welfare improvements.  

In particular, the paper examines the nature of growth and its impact on poverty reduction. Ethiopia 

experienced high and consistent economic growth, recording annual average per capita growth rates of 

8.0 percent from 2004 to 2014, driven largely by growth in services and agriculture (World Bank 2016). 

Growth in sectors in which poor households derive a considerable share of their income is more poverty 

reducing than growth in other sectors (Loayza and Raddatz 2010). As a result, agricultural growth has 

been shown to be associated with stronger poverty reduction at the country level, followed by growth in 

services (Christiaensen, Demery and Kuhn 2011).  Analysis of sub‐national sectoral growth and poverty 

rates in China and India has documented that poverty has fallen faster in states and periods of high 

agricultural growth (Datt and Ravallion 1996, Montalvo and Ravallion 2009). In Brazil, similar analysis 

showed poverty reduction was faster in regions and periods where service sector growth was higher 

(Ferreira, Leite and Ravallion 2009). Thus far, there has been no country‐level analysis in Africa that 

looks at the differential impact of growth in different sectors. 

Poor households in Ethiopia—as in much of Africa—are primarily engaged in agriculture, and as such 

one would expect agricultural growth to be the primary driver of poverty reduction. However, cross‐

3  

country analysis provides contradictory evidence. Christiaensen et al (2011) find that agricultural growth 

is more strongly associated with poverty reduction in Africa than in the rest of the world. However, 

World Bank (2015) finds that service sector growth is more poverty reducing than growth in other 

sectors. These alternate findings find support in more micro studies, some of which emphasize growth in 

household agricultural incomes as a main driver of welfare gains (World Bank 2016b) and others which 

emphasize the role of rural non‐farm growth and the additional income that affords (Fox and Pimhidzai 

2011, World Bank 2014b).  

The analysis in this paper exploits variation in poverty reduction, sectoral output growth and provision 

of public goods across zones and time to examine the extent to which growth drove changes in poverty 

reduction, and what type of growth—output growth in agriculture, manufacturing or services—was 

more effective at reducing poverty. Finding that poverty reduction has fallen faster in places and time 

where agricultural growth has been stronger does not necessary allow one to deduce that agricultural 

growth causes poverty reduction. Loayza and Raddatz (2010) and Ligon and Sadoulet (2007) have used 

lagged growth rates and instrumental variable techniques to better identify the relationship between 

agricultural growth and poverty reduction, but to our knowledge these techniques have not been used 

at the country level before. We use detailed weather data for each zone in each year to instrument 

agricultural growth and identify the causal relationship between growth in agriculture and poverty 

reduction. 

The analysis also examines whether safety nets and public good provision more broadly had an 

additional effect on poverty reduction by increasing redistribution, and whether policies that 

encouraged fertilizer used by smallholder cereal farmers contributed to gains.  

The analysis finds that reductions in poverty were largest in places where agricultural output growth 

was highest. On average a 1% growth in agricultural output per capita was associated with a 0.15% 

reduction in poverty. We find no effect of growth in manufacturing or services on poverty reduction. 

However, in urban Ethiopia, manufacturing growth played a significant role in reducing poverty from 

2000 to 2011. For every 1% growth in manufacturing output, poverty fell by 0.37%.  

Further analysis shows that the strong correlation between agricultural growth and poverty reduction 

reflects a causal relationship. We find that once instrumented, agricultural growth had a much larger 

effect. This could reflect measurement error in estimated rates of zonal agricultural growth which 

resulted in attenuation bias, or the fact that agricultural growth caused by good weather is more 

poverty reducing, in that it benefits all households, than growth caused by intensification or 

commercialization, which may preferentially benefit wealthier households. For every 1% growth in 

agricultural output, poverty was reduced by 0.9%.2 This implies that agricultural growth caused 

reductions in poverty of 2.2% per year on average post 2005 and 0.1% per year prior to 2005.  

                                                            2 There has been some discussion about the growth elasticity of poverty reduction in Ethiopia. Household survey analysis shows that for every percentage point growth in average household consumption during 2000‐2011, poverty fell by almost two percentage points (MOFED 2013). This survey‐based measure of the growth elasticity of poverty reduction was ‐1.94 and sets Ethiopia at the world average, and significantly higher than other countries in 

4  

Agriculture remained the primary occupation of a large proportion of Ethiopian households during this 

period (Martins 2014), despite substantial transformation in the structure of value‐added, so the pre‐

eminence of agricultural growth in driving poverty reduction is perhaps not surprising. A key question 

that then emerges is whether the strong policy focus by the Ethiopian government on encouraging 

productivity growth in smallholder cereal farming during this period drove the gains, and what elements 

of the approach were successful. Ethiopia pursued an Agricultural Development Led Industrialization 

strategy (ADLI) during this period. The strategy was formulated in 1993 and later underpinned the five‐

year development plans, the Plan for Accelerated and Sustained Development to End Poverty (PASDEP) 

and the Growth and Transformation Plan (GTP). As part of this strategy the government spent 

considerable resources supporting cereal intensification of smallholder farmers. The focus was on 

providing the inputs and services that farmers needed through largely state‐run institutions such as 

cooperatives and a massive expansion of extension services. At the same time the government invested 

substantial resources improving roads which aided the development of cereal markets (Minten et al 

2012), expanding access to primary education and health services, and introducing a large rural safety 

net in the most food‐insecure parts of the country.  

The analysis points to the importance of policies outside agriculture as much as agricultural policy in 

delivering welfare gains. Increases in the use of improved inputs aided agricultural growth and welfare 

gains, but on its own it was not enough to drive agricultural growth, contemporaneous improvements in 

market conditions were also needed. While agricultural growth had a strong impact on poverty 

reduction on average, it only had an impact close to urban centers of 50,000 people or more, indicating 

the complementary nature of improved access to centers of urban demand in turn driven by non‐

agricultural output growth. The use of modern inputs such as improved seeds and fertilizer increased 

substantially over the period considered. Although the average impact of modern inputs on agricultural 

growth and poverty reduction was found to be weak, increased use of modern inputs did bring 

reductions in poverty under good agro‐climatic conditions and high crop prices. Good weather and high 

prices during the latter part of the 2000s were essential to this approach succeeding in delivering 

welfare gains. Sustaining high crop prices in a landlocked country such as Ethiopia requires sustaining 

increases in demand for food through growth in non‐agricultural sectors (Dercon and Zeitlin 2009). The 

complementary nature of agricultural and non‐agricultural growth echoes the results of the simulation 

analysis in Diao et al (2012). 

We find that the introduction of the PSNP also reduced poverty through redistribution, in addition to 

any impact it had through supporting agricultural growth (such as that found in Hoddinott et al 2013). 

The effect of PSNP coverage on zonal poverty reduction corroborates evidence from impact 

assessments of the PSNP (Gilligan, Hoddinott and Seyoum Taffesse 2010, Berhane et al 2012) which 

suggests that the program has been well targeted to poor households and has enabled households to 

                                                            the region (Kalwij and Verschoor 2005). However, given GDP per capita grew at a much faster rate that household consumption during this period, the growth elasticity of poverty to GDP growth is less favorable. These data combine measures of GDP growth (the components of growth we look at are from the same data sources used in estimating national GDP growth) with household survey data, so we expect the estimates to be less favorable. However, our correction for potential measurement error suggests that GDP growth has been more favorable for poverty reduction than the national GDP estimates imply. 

5  

acquire and protect assets, particularly when safety net payments have been large and reliable.  

However, the significance of the impact of the PSNP is not robust to all specifications. This is also true 

for improvements in access to education.   

In sum, the results suggest that agricultural growth was the primary driver of poverty reduction in 

Ethiopia from 1996 to 2011 and that this growth was supported by large public investments in 

infrastructure and services. However, public investments alone were not sufficient. Good weather and 

high global food prices helped. In the following sections we discuss the data that are used in this report. 

In section 3 we summarize trends in poverty reduction. Section 4 outlines the empirical methodology 

used and section 5 presents the main results. Section 6 concludes.  

2. Data 

Ethiopia is a country rich in data, which allows us to take an approach to estimating the relationship 

between sectoral growth and poverty that is not possible in many countries, and certainly not many in 

Sub‐Saharan Africa. We use multiple surveys and census data to construct annual zonal estimates of 

poverty, sectoral output, prices, agricultural production practices, safety net beneficiaries and access to 

public services and markets. Ethiopia is divided into 11 regions, and each region is divided further into 

zones and woredas (districts). We use the zone as the unit of analysis in this paper, as it was the lowest 

level at which data on poverty and agricultural output could be disaggregated. The Ethiopian Central 

Statistical Agency collected consumption data four times between 1996 and 2011 in a comparable 

manner for 50 of Ethiopia’s 68 zones. In addition, annual zonal estimates of agricultural output, prices 

and production practices are collected through the Agricultural Sample Survey, and an annual census of 

large manufacturing firms provides zonal estimates of manufacturing output.   

We follow 50 zones over the period of 15 years, covering nearly all of Ethiopia’s population. We use 

zonal boundaries from 1996 and calculate all aggregates using these zonal boundaries.3 We aggregate all 

sub‐cities in Addis Ababa into one zone for the purpose of this analysis given it is not possible to reliably 

disaggregate some of the other data sources that we use to different sub‐cities in Addis. Three pastoral 

zones in the Somali region were excluded from this analysis on account of no poverty data being 

available for them (three Somali zones are included). Afar’s five zones were excluded from the analysis 

on account of missing agricultural data in some years. In addition, the three zones in the Gambella 

region were not included in the analysis as poverty data are not available for 1996 or 2005 for this 

region.  

The following subsections detail the surveys used.  

 

                                                            3 The number of zones in Ethiopia increased from 1996 to 2011 with a number of zones splitting into two or three (and in some cases being formed from parts of other zones). We use the 1996 definition of zones in the analysis.  

6  

2.1. PovertyestimatesThe Household Income and Consumption Expenditure Survey (HICES) is a nationally representative 

survey conducted every 4‐6 years to collect data on household consumption and basic demographics. 

Poverty estimates are based on total consumption per‐adult equivalent which is generated from these 

data. The survey was fielded from June 1995‐February 1996 (hence referred to as 1996), June 1999 to 

February 2000 (hence referred to as 2000), June 2004 to February 2005 (hence referred to as 2005) and 

September 2010 to August 2011 (hence referred to as 2011).  

The description of the sampling for the HICES indicates that enumeration areas are stratified by zone, 

with a similar number of EAs selected by zone in each year. Zonal level poverty estimates are reported 

for 1996, 2000 and 2005 in MOFED (2013) and are calculated for 2013 using the survey data. Although 

the sample is stratified by zone, zonal estimates are often not reported given concerns that not enough 

households were interviewed to generate precise zonal level poverty estimates. On average, 300 

households were interviewed per zone although the number is much lower for the smaller zones. We 

compare these estimates to zonal poverty estimates generated using small area estimation (Elbers et al 

2003) presented in Sohnesen (2014, 2015). Small area estimates of poverty were generated for each 

woreda and zone for 2000 using the 1994 Population and Housing Census and the 2000 HICES, and for 

2011 using the 2007 Population and Housing Census and the 2011 HCES. 

Figure 1 graphs the survey and estimated poverty rates. Estimates for 2000 are in blue and estimates for 

2011 are in red. Considerable overlap is observed and provides confidence in the accuracy of the survey 

poverty rates. A regression line fitted to go through the origin estimates a coefficient of 1.03 for 2000 

(with a 95 percent confidence interval of 0.99‐1.07 and an R‐squared of 0.982) and a coefficient of 0.83 

for 2011 (with a 95 percent confidence interval of 0.76‐0.90 and an R‐squared of 0.913).   More outliers 

are observed in 2011. In particular, there are zones where poverty estimates from the survey data in 

2011 are quite a bit lower than those predicted using the 2007 census data. This could be because of the 

four‐year difference in the time of the census and the survey; four years in which poverty fell rapidly. 

The period between the census and survey is even larger in the case of the 2000 small area estimates—

the census was conducted in 1994 and the survey in 2000—but this was a period in which very little 

poverty reduction occurred. 

In sum, the survey‐based estimates of poverty appear quite reliable. We also note that given the 

measurement error in the poverty estimates can be considered white noise, and given poverty is the 

dependent variable in our analysis, it will not affect coefficient estimates. 

In addition to using the HICES to estimate poverty, we also use the number of people in the zone 

employed in different aspects of services to predict zonal service sector output (in combination with the 

Survey of Trade and Distributive Services as described below). It is possible that measurement error in 

this variable increases attenuation bias of the estimated coefficient on service sector output. The HICES 

is also use it to estimate the number of people in each zone by aggregating the weights at the zonal 

level. 

7  

One of the challenges in analyzing trends in poverty during this period is determining how to accurately 

compare household consumption across time given the high inflation within the country in the latter 

half of the decade. Prior to 2011, the poverty lines used were those set in 1996. In 2000 and 2005 the 

poverty rate was estimated by keeping the 1996 poverty lines constant and by converting all food and 

non‐food consumption recorded in the 2000 and 2005 surveys to 1996 prices using the CPI. In 2011 the 

cost of the same bundle of food items used to construct the food poverty line in 1996 was re‐estimated 

to generate an accurate survey‐based measure of food inflation over this period (MOFED 2013). This 

survey‐based measure of food inflation is lower than the CPI measured in the country during this time. 

This could reflect a lower rate of inflation for the goods consumed by the poor during this period, or it 

could reflect that the quality of the food consumed by the poor fell over this period with the smaller 

increases in prices reflecting a lower quality bundle of items. In order to estimate non‐food CPI the food 

share of total consumption for the bottom 25 percent of the distribution was estimated using the 2011 

survey data. The proportion of food in total consumption fell which could reflect the fact that prices of 

non‐food items consumed by the poor increased more than prices of other non‐food items, or it could 

reflect the fact that poor households have changed the quality or quantity of non‐food items consumed. 

In this analysis we use the official MOFED poverty numbers thereby implicitly deflating consumption by 

the survey‐based deflators. All other prices in the analysis are deflated using the general CPI. We test 

the robustness of our results to using lower poverty estimates for 2011 calculated using the CPI, and the 

main findings of the paper are unchanged. 

 

2.2. AgriculturaloutputAnnual estimates of agricultural production are collected by the CSA through the annual Agricultural 

Sample Survey (AgSS). The AgSS collects data on average landholding, area cultivated, total production, 

yield, use of fertilizer and improved seeds during the main Meher season. The survey covers about 

40,000 households (44,871 households in 2011, for example) in some 2,000 EAs and the sample design 

allows for estimates to be disaggregated by zone. Most of the data are collected through household 

surveys, but production estimates are based on crop‐cutting experiments conducted for a sub‐sample of 

households. These data are available to us for 1996‐2011 with the exception of the year during which 

the agricultural census took place (2002) and the year following the census in which the full AgSS could 

not be conducted.  

The Meher season is responsible for about 80 percent of crop production in Ethiopia, but for some 

zones the smaller Belg season is an extremely important part of agricultural production. A Belg crop 

survey is also undertaken each year, but the production estimates are not representative at the zonal 

level. We estimate zonal Belg output using zonal estimates of land cultivated to each crop, and regional 

estimates of average yield for each crop each year. For years prior to 2000 no zonal level land estimates 

are available and so we use trends in national estimates of land cultivated to scale the area cultivated in 

2000.  

A survey of producer price data is collected to complement the annual agricultural sample survey. 

Producer prices are collected throughout the year. We use data from January of each year as this is the 

8  

main harvest month. Using the same month each year also allows us to abstract from seasonal price 

movements. We combine these producer price data with the production data to estimate the value of 

agricultural output in each zone. From this we derive the growth rate of agricultural output per capita.  

In some cases, yields were missing for chat, enset and coffee. In these cases, we imputed yields for chat, 

enset and coffee using data from other years. Information on the area planted to these crops was 

available in these cases. There was little variation in yields for these crops among the years that data 

were collected, which suggests this was not an inappropriate strategy. However, all estimates were 

rerun without this imputation and the results still hold.  In addition, prices were missing for coffee and 

enset in 1996, so prices were taken from the next available price survey.  

The AgSS data were also used to provide estimates for the proportion of cultivated land on which 

fertilizer was applied and the proportion of land planted to improved seeds. The price data from the 

AgSS were used to construct a weighted crop price index in which all crop prices were weighted by the 

share of land planted to that crop in the zone. Changes in the price index reflect both changes in prices 

for a given crop and also shifts into higher or lower valued crops.  

We note that the measure of agricultural output thus constructed does not include livestock output. 

Most pastoral areas of the country are not included in our analysis given the lack of poverty data for 

these zones, but still livestock is a potentially important component of agricultural output in the semi‐

pastoral Somali zones and the Borena zone of Oromia, which are included in our analysis. Data on 

livestock production are collected as part of the AgSS but it is not straightforward to include these in the 

agricultural output. 

 

2.3. ManufacturingoutputA census of large and medium sized manufacturing establishments is conducted every year. An 

establishment is considered eligible for this survey if it has more than 10 employees and uses electricity. 

The survey collects information on output, assets, operating costs and employment. The town of each 

establishment is recorded and in some cases the zone. By matching towns to zones, zonal 

manufacturing output can be estimated.  

These estimates do not include manufacturing output of smaller firms. Nationally, this is a small 

proportion of manufacturing output. Soderbom (2012) compares micro‐manufacturing firms in Ethiopia 

with larger firms included in the annual census and shows that the value added of larger manufacturing 

firms is 8 times that of firms with fewer than 10 employees. Focusing only on the larger firms for an 

estimate of manufacturing output thus captures a large share of the manufacturing output in Ethiopia. 

However, it may be the case that the smaller manufacturing firms matter more for poverty reduction. 

Our regression estimation strategy allows for the share of manufacturing output produced by small 

firms to vary across zones and to change with time, but it relies on the growth rate of manufacturing 

output of small firms to be constant within a given zone across the full period 1996‐2011.   

 

9  

2.4. ServicesNo similar census of service establishments is conducted, which makes estimating output of the service 

sector much more complex than estimating the agricultural or manufacturing output. The most 

systematic survey of service industries is a Survey of Trade and Distributive Services that was conducted 

in 1995, 2002 and 2009. This survey allows regional estimates of productivity of service enterprises to be 

generated, but it is a sample survey and does not allow for an estimate of the zonal service output.  It 

also does not include information on personal services such as hotels, restaurants and domestic help.  

In order to generate a zonal estimate of service output, we use data on the number of individuals 

engaged in trade and distributive services in the zone from the HICE surveys and multiply this with 

national estimates of value added per worker to generate a measure of zonal output per worker from 

these surveys. The values of hotel and restaurants are however not captured in this measure of services 

output per capita.4 

 

2.5. Publicgoodsprovision:DataonsafetynetsandaccesstobasicservicesThere are three aspects of public goods provision incorporated in this empirical analysis. First, we 

incorporate a measure of the continual investments in access to schools and health services that have 

taken place since 1996. Ideally, we would have a measure of public investments in education and health 

services in the zone over the last 15 years. In the absence of these data, we use the average distance to 

a primary school recorded at four points in time in the Welfare Monitoring Surveys (WMS) that are 

conducted alongside the HICE surveys used for poverty estimates.  

Secondly, we measure investments in roads that have improved access to basic services and private 

markets. We use the Schmidt and Kedir (2009) estimates of time to travel (using type of road and 

distance to generate the estimates) to a town of 50,000 people in 1994 and in 2007 to estimate an 

average annual reduction in travel time. The distance at each square kilometer in the zone is averaged 

across the zone to provide a zonal average estimate. We also use data collected on access to bus 

services collected in the WMS as an alternate measure of changes in road infrastructure (this was the 

only transport access measure collected consistently across all four rounds). The WMS estimates allow 

us to weight more populated areas within a zone more than less populated areas within a zone. 

However, the disadvantage with this measure is that it may also reflect aspects of public transportation 

markets and not just improved road access as a result of investments in roads.  

Finally, we assess the introduction of safety nets. In 2005, the Government of Ethiopia together with the 

support of Development Partners, designed and commenced implementation of a Food Security 

Programme, which included a Productive Safety Net Programme (PSNP) as well as complementary 

                                                            4 We also experimented with using zonal service sector employment data to distribute national estimates of service output (from national accounts) across zones. When we use these estimates, we get the same qualitative findings as presented here, although the size of the coefficient estimates changes. We elect to use the survey‐based measure of service sector growth as it is clearer on how to attribute this to different zones (output per worker is directly reported). 

10  

programming to strengthen local livelihoods. The PSNP is targeted at the most food insecure woredas in 

Ethiopia. We use administrative data on the number of beneficiaries per zone per year to estimate the 

proportion of households in the zone benefiting from the PSNP.  

 

2.6. WeathershocksThe Livelihoods, Early Assessment and Protection project (LEAP) system, developed in 2008 by the 

Government of Ethiopia in collaboration with WFP, uses crop‐modeling approaches to estimate rainfall‐

induced crop loss in woredas throughout Ethiopia. Water‐balance crop models and yield reduction 

coefficients are defined for the crops grown in the zone. Evapotranspiration coefficients for the zone are 

used with data on decadal rainfall in a given year to generate an estimate of the proportion of crop that 

was lost in a given year as a result of insufficient rainfall. These models essentially provide a weighted 

average of rainfall in which rainfall at times of the year in which the development of the crop is 

particularly moisture dependent is given a higher weight. The weights are provided by agronomic crop 

models. Crop loss estimates are generated for each 50 km by 50 km square. This is aggregated to 

generate a zonal estimate of crop‐loss. The LEAP database contains crop loss estimates from 1996 to 

2012 for both Belg and Meher seasons.  

 

3. Trendsinpovertyacrossspaceandtime 

3.1. TrendsacrosstimeIn Table 1, we present summary statistics for the four time periods in our data across time, using the 

data in the zonal panel. The table shows that poverty started to fall only after 2000, and its reduction 

has been particularly large in the years after 2005. Although output increased throughout this time, 

large increases in agricultural output occurred after 2000 and in manufacturing and services after 2005. 

The sectoral composition of zonal output has remained remarkably constant across time, with 

agriculture accounting for about half of zonal output, manufacturing accounting for one‐tenth and 

services accounting for 34‐42%. Improvements in access to basic services and infrastructure increased 

during this time. The bottom panel of the table also shows that input use and crop prices have increased 

substantially over time.   

3.2. SpatialpatternsIn Figure 2a we plot the percent change in zonal poverty from 2000 to 2011 against the initial level of 

poverty in 2000, we see that the places that saw the largest reduction in poverty were those where the 

poverty rate was initially highest. The same finding holds true when percentage point changes in poverty 

are examined. Figure 2b presents the same scatter plot of percent change in poverty against the initial 

poverty rate, but this time for woreda poverty rates estimated using small area estimation techniques 

11  

for 2000 and 2011. The same pattern is evident of larger reductions in poverty in places that were 

initially poorer.  

In Table 2 we present regression results examining the characteristics of woredas that saw larger 

reductions in poverty from 2000 to 2010. We see that poverty fell more rapidly in woredas where more 

people were engaged in crop production, had better weather, were in places that were less remote and 

in places where maize was not the dominant crop and that were less food insecure. Literacy rates in 

1994 had no effect (not shown). This points to the importance of agricultural growth and access to 

markets and we explore this formally in panel analysis in the next section. Finally, we also note that 

while these initial conditions are important, they do not explain much of the variation in experience of 

poverty reduction: 9.2 percent of the variation in poverty reduction can be explained by the poverty 

rates in 2000 and only 6.5 percent of the variation by the other characteristics examined.   

In the rest of this paper we examine the role of growth and public good provision in driving the spatial 

patterns and trends observed.  

4. EmpiricalMethod 

The empirical approach we take is similar to that used in Ferreira et al (2010). We start by abstracting 

from the sectoral pattern of output growth and examining whether changes in poverty rates have been 

driven by aggregate output growth in the zone. In addition, we examine whether public good 

provision—specifically the introduction of safety nets, investments in primary education and roads—has 

had an additional effect on poverty reduction (in addition to any effect that has resulted from their 

impact on growth) via redistribution. Specifically, we estimate:  

∆ ln ∆ ln ∆ ln ∆ ln ∆ ln  

(1) 

Where   is the poverty rate in the zone at time t,   is zonal output,   is the proportion of people in 

the zone covered by the safety net program at time t,   is increased access to primary schools in the 

zone at time t and  is a measure of infrastructure investments reducing remoteness in the zone 

(proxied alternately by the two measures of infrastructure investment described in the previous 

section).  

Secondly, we examine the relationship between the nature of sectoral output growth and poverty 

reduction by decomposing zonal output growth into that coming from agricultural growth and that 

coming from manufacturing and services. Following Ravallion and Datt (1996) and the subsequent 

literature on the relationship between the composition of growth and poverty reduction we estimate:  

∆ ln ∆ ln ∆ ln ∆ ln  

∆ ln ∆ ln ∆ ln  

12  

(2) 

Where  , , ,   is the output of agriculture (a), manufacturing (m) and services (r) respectively 

and   is the share of output of sector   at the beginning of the period. In later specifications we 

proxy   , and   with growth in the share of the population living in urban areas in the zone.  

Interacting the rate of growth of sector   with the share of sector   in total output allows growth in a 

given sector to influence poverty according to the size of the sector. The combined expression,  , 

provides a measure of the elasticity of poverty to growth in that sector.  This specification allows us to 

look at whether particular components of growth are more strongly associated with poverty reduction, 

and also allows us to test whether the sectoral composition of growth matters by testing whether 

 (Ferriera et al 2010). We first assume coefficients on growth and social spending are 

constant across zones. This assumption is relaxed in later specifications by allowing coefficients to vary 

by distance to urban center, rates of illiteracy and time   and whether the zone is considered food 

insecure.  

This specification allows us to control for a number of other factors that might confound the relationship 

between sectoral composition and poverty rates. The regression is estimated in differences allowing us 

to control for any initial zonal characteristics that affect the relationship between the output of one 

sector and poverty.5 Zone‐specific time trends are included in the model,  , through the inclusion of 

zone‐specific fixed effects which allows each zone to have a zonal specific trend in poverty reduction 

over the period. The inclusion of measures of public goods provision also allows us to control for a 

number of time‐variant characteristics that may be important in determining the relationship between 

the pattern of growth and poverty. The inclusion of N, Dand E not only allows us to assess their redistributive effect, it also allows us to control for a number of time‐variant characteristics that may be 

important in determining poverty and which may affect the estimation of  .6  

However, even with a fully specified model, our estimation strategy is subject to a concern that reverse 

causation may be driving the results. For us to argue that growth in agriculture caused poverty reduction 

we will need to be able to address the argument that gains in poverty reduction did not cause greater 

agricultural growth. In some papers on the relationship between sectoral growth and poverty this goes 

unaddressed, and in other papers it is addressed by instrumenting growth rates with growth rates of 

neighbors (Ligon and Sadoulet 2008, Loayza and Raddatz 2010) or lagged growth (Loayza and Raddatz 

2010). Henderson et al (2011) has explored the use of rainfall as a measure of exogenous variation in 

agricultural growth and we take the same approach here using WRSI data available at the zonal level in 

Ethiopia from 1996‐2011. We use weather shocks (calculated as the sum of annual estimates of crop 

loss for the zone through a crop WRSI model) as an estimate of exogenous variation in agricultural 

                                                            5 Annualized growth rates are calculated for each variable by dividing each growth rate by the number of years over which the growth occurred (4 years for differences from 1996 to 2000, 5 years for differences from 2000 to 2005, and 6 years for differences from 2005 to 2011). 6 We test the robustness of our results for weighting by the population of each zone. The main findings are unchanged when weighting. We do not report the results in the paper, but they are available from the authors on request. 

13  

growth. Ethiopia is characterized by both significant weather risk and significant heterogeneity in 

weather risk across space and time. It is likely that agricultural output is the main mechanism by which 

local weather shocks affect local livelihoods, and that increased market integration throughout this 

period limits the impact of small local weather shocks on prices and growth in other sectors. This is 

something that we test empirically.  

After analyzing the relationship between agricultural growth and poverty reduction we assess the 

degree to which the government’s focus on policies to increase the cereal yields of smallholder farmers 

drove the gains. The same framework is used but   is decomposed into growth in cereals and cash 

crop production. We then replace   with input use, rainfall shocks and weighted crop prices.   

5. Results 

5.1. Agriculturalgrowthandpovertyreduction 

First, we examine the relationship between poverty reduction and total output growth per capita, 

expansion of safety nets and improvements in access to basic services and infrastructure by estimating 

equation 1. The results are presented in column 1 of Table 3 and indicate that growth has been a 

significant driver of reductions in poverty over the 15‐year period from 1996 to 2011. The elasticity of 

poverty to growth is ‐0.15 which is quite low in comparison to the global average but higher than the 

regional average (Christiaensen et al 2013).7 The results also show that poverty reduction was stronger 

in zones where the PSNP was introduced and where improvements in road infrastructure were 

particularly rapid, indicating that the investments in safety nets and infrastructure may have helped to 

reduce poverty in addition to any impact through the growth in output that they contributed to.  

In column 2 of Table 3 we examine the relationship between the nature of growth and poverty 

reduction (estimating equation 2) and show that poverty has fallen fastest in those zones in which 

agricultural growth was the strongest. The results also show that manufacturing and services output 

growth was not a significant contributor to poverty reduction, although the coefficients are of the sign 

expected. The implied elasticities of poverty to growth in agriculture, manufacturing and services are ‐

0.155, ‐0.002 and ‐0.027 respectively.8 However, given the imprecision with which the coefficients on 

manufacturing and services sector growth are estimated, a test of equality of coefficients across the 

three sectors ( cannot be rejected. Once we account for the sectoral composition of 

                                                            7 The elasticity of poverty to growth is often estimated using the ratio of average household consumption growth to poverty reduction, not the ratio of GDP growth to poverty reduction (e.g. Ravallion 2012). When assessed by this measure, the growth elasticity of poverty reduction in Ethiopia was ‐1.94 from 2000 to 2011 and sets Ethiopia at the world average, and significantly higher than other countries in the region (Kalwij and Verschoor 2005). 8 Calculated by multiplying the coefficients in column 1 of Table 3 with the average share of the sector over the years 1996, 2000 and 2005 detailed in Table 1.  

14  

growth, we find that investments in roads no longer have a redistributive effect but the estimated 

redistributive impact of the PSNP remains.  

Manufacturing and services growth are perhaps more likely to bring about reductions in poverty in 

urban centers. With the exception of the two purely urban zones of Mekele and Addis Ababa, the zones 

in this study include both rural and urban areas which may be masking the impact of manufacturing and 

service growth in urban locales.  This is tested by re‐estimating equation 2, but weighting the results by 

the proportion of the zone that is urban. In this specification those zones with very small urban 

populations are given a low weight and those that are entirely urban (such as Mekele and Addis Ababa) 

derive the highest weight. In this specification we would expect that sources of growth that are more 

important to urban poverty reduction would appear more significant. Results are presented in columns 

3 to 5 and indicate that although agricultural growth was important in these zones in the first part of this 

period, in the last decade higher manufacturing growth in urban areas was associated with higher 

poverty reduction. The elasticity of poverty to growth in manufacturing is ‐0.37 in this specification 

which means that a 1% increase in manufacturing growth was associated with a reduction in poverty of 

0.37%. 

The insignificance of the service sector across specifications could be explained by three factors. First, 

we note that of the three sectors, zonal output estimates were most imprecise for this sector, relying on 

employment data in the HICES and national estimates of value added per worker in this sector. This 

measurement error may mask the true relationship between these sectors and poverty reduction. 

Secondly, we note that although poverty rates fell faster among those that reported employment in the 

service sector (MOFED 2013), employment in the service sector has remained consistently low across 

this time period (from 12‐14% of the workforce). The small proportion of the workforce in services 

makes it very difficult for service sector growth to have a large direct effect on poverty reduction. 

Finally, we note that if growth in services was strongly correlated with growth in agriculture but less 

precisely measured, we would not see an additional effect of services growth on poverty reduction once 

agricultural growth was controlled for. We return to this issue below. 

In order to determine whether agricultural growth caused poverty reduction, we use detailed data on 

rainfall to instrument for agricultural growth. Agriculture production is almost entirely rainfall‐

dependent in Ethiopia—less than 1 percent of land is irrigated—and thus we expect changes in rainfall 

to be an important and exogenous component of agricultural output growth. We do not expect weather 

shocks to have a significant impact on growth in other sectors. We test this in Table 4. Indeed, while 

local rainfall shocks have an impact on agricultural growth they do not negatively affect manufacturing 

or services growth.  

Results for instrumenting agricultural output growth with rainfall are presented in Table 5. The results 

show that agricultural output growth had a strong causal impact on poverty reduction with an elasticity 

of ‐0.9. This implies that agricultural growth caused reductions in poverty of 2.2% per year on average 

post 2005 and 0.1% per year prior to 2005. The magnitude of the coefficient is much higher than 

previously which may indicate that the OLS results were not affected by reverse causality as much as 

they were affected by measurement error in agricultural output which was causing attenuation bias. It 

15  

could also be the case that agricultural growth induced by good weather is more poverty reducing than 

agricultural growth brought about by technology adoption or improved cereal prices. All agricultural 

producers benefit from good weather, not just those that adopt technologies and sell part of their 

harvest who are likely to be wealthier farmers.  

Thus far the analysis has considered the poverty headcount index, but the degree to which households 

fall below the poverty line is also an important indicator of progress, and as such it is informative to run 

the same specification using the poverty gap and the poverty severity index as the dependent variables. 

Columns 2 and 3 of Table 5 present estimates for the poverty gap and poverty severity index.  

Agricultural growth, in all specifications reduced the poverty gap and poverty severity index. Once 

agricultural growth has been instrumented with weather, there is no longer a reduction in poverty as a 

result of an additional redistributive effect of the introduction of the PSNP, investment in education and 

investment in roads for either the poverty headcount index or other indicators.  

The robustness of the findings presented thus far is tested by using a different price deflator of the cost 

of living for the period 2005 to 2011 (the CPI instead of a survey‐based deflator as used in the official 

poverty estimates for 2011). We also test whether results are robust to adding the percentage change in 

the national general CPI across periods and to including year dummies that would control for variation in 

CPI across rounds, but also any other time‐varying factors that could be considered constant across 

zones. Results of these various robustness checks are presented in the Appendix. The positive impact of 

agricultural growth on poverty reduction is robust to all of these specifications, as is the impact of 

manufacturing growth on poverty reduction in urban areas. Service sector growth, safety nets and 

public investments remain insignificant. 

The results in Table 4 provide some additional insights into why we may not observe a significant impact 

between services growth and poverty reduction. Columns 1 and 3 show that agricultural growth within 

the zone is positively correlated with service sector growth within the zone. Given the measure of 

service output constructed for the analysis is largely comprised of wholesale and retail trade this 

positive correlation is very plausible. This finding is corroborated by data presented in Jolliffe et al (2014) 

which shows that 64% of rural non‐farm enterprises (primarily in the service sector) are established 

using funds from agricultural production and that these businesses are most active in the months of 

harvest and immediately thereafter suggesting a strong relationship between agricultural production 

and this type of service sector activity. If service sector growth is largely driven by agricultural growth it 

is quite likely that any relationship between growth in services and poverty reduction is being captured 

in the coefficient on agricultural growth.  

 

5.2. HeterogeneouseffectsofagriculturalgrowthWe next examine whether there was any heterogeneity in the impact of agricultural growth on poverty 

reduction. First, we examine whether growth had a differential impact for those near markets. We 

compare the impact of agricultural growth on poverty in areas that were far from urban centers of 

50,000 plus people (more than 6 hours and 40 minutes) at the beginning of the time period in question, 

16  

to the relationship between agricultural growth and poverty in areas close to urban centers. We find 

that agricultural growth was only poverty reducing for those close to urban centers (Table 6). This 

suggests an important link between agricultural growth and market access, either because households 

close to markets were better able to access agricultural inputs (as found in Minten et al 2014) or 

because they benefited from greater access to urban demand.  

We also examine whether the impact of agricultural growth on poverty reduction was mediated by 

other factors, such as the level of literacy in 1996 (measured by the proportion of literate household 

heads) and the level of food insecurity in the zone (as proxied by whether or not the zone had woredas 

that were PSNP‐eligible in 2005). We do not find significant differences for these measures (columns 2 

and 3 of Table 6).  

Agro‐ecological zones vary considerably across the country, so we examine whether the impact of 

agricultural output growth has been heterogeneous across different parts of Ethiopia. Rural policy 

discussions are often framed around the concept of “five Ethiopias”, in which zones are classified 

according to agricultural productivity and agro ecological conditions (EDRI 2009). The five areas are 

drought prone highlands, moisture‐reliable cereals areas, moisture‐reliable enset areas, humid 

moisture‐reliable lowlands and pastoral areas. The results presented in column 4 of Table 6 do not 

suggest any strong trend in which areas benefited more from agricultural growth.  

 

5.3. ThenatureofagriculturalgrowthHaving identified the importance of agricultural growth we turn to examining whether the strong policy 

focus by the Ethiopian government on encouraging productivity growth in smallholder cereal farming 

during this period drove the gains, and what elements of the approach were successful.  

First, we separate growth in the value of cereal production (teff, wheat, barley, maize and sorghum) 

from growth in the value of cash crop production (coffee, chat, nueg and sesame) and examine what 

type of growth was most strongly associated with poverty reduction (Table 7, column 1). The regression 

results show that gains were more strongly associated with growth in cereal, not cash crop, production.  

Next, we explore the determinants of growth in cereal production and examine the relationship 

between cereals growth and weather, prices and the use of improved inputs. Given these regressions do 

not use poverty data, we are also able to include in the regression years in which poverty data are not 

available. As such the panel is expanded to include all years from 1996 to 2011 (with the exception of 

2002 and 2003 for which there are no data). The regressions include only the main crop‐producing zones 

in the sample, and exclude Afar, Somali, Harari, Addis Ababa and Dire Dawa.   

Despite substantial increases in the use of fertilizer over this period, the regression estimates in columns 

2 and 3 indicate that on average increased fertilizer was not associated with growth. This is quite 

striking, but consistent with other literature that shows that returns to use of fertilizer are highly 

weather dependent in Ethiopia (Christiaensen and Dercon 2010), and that the ratio of the price of 

fertilizer to cereals has been quite varied over time (Spielman et al 2007). Given the literature shows 

17  

that positive returns to the use of fertilizer are not always guaranteed, in column 3 we separately 

estimate the impact of fertilizer on growth in years when conditions were right for positive returns to be 

realized (weather was better than average and cereal prices were higher than average) and in years 

when conditions were not right (either prices were low or rainfall was poor). We find that increased use 

of fertilizers contributed to agricultural growth when weather conditions and prices were favorable. 

There was no contribution of fertilizer in other years. Growth in the area planted to improved seeds was 

not associated with stronger agricultural growth, probably because the use of improved seeds remained 

so low. The regression results also highlight the important direct role of weather and prices in overall 

agricultural output growth. Growth in cereal production was significantly faster when the weather was 

good and prices were increasing.  

We examine whether these drivers of agricultural growth were also associated with poverty reduction in 

columns 4 and 5. Again, no significant relationship is observed on average between increased fertilizer 

use and poverty reduction, but increased fertilizer use is associated with poverty reduction when the 

conditions were good. The results suggest that under the right conditions, a 10% increase in fertilizer 

use would reduce poverty by 0.4%. The direct relationship between good weather and poverty 

reduction that was documented earlier is also confirmed in these results, but although higher prices 

have a direct impact on agricultural growth, they do not have a direct impact on poverty reduction. This 

is perhaps on account of high prices being detrimental to the very poorest farmers who purchase more 

cereals than they produce; and offsetting gains to better‐off farmers who benefit from higher prices.  

Government policy was designed to increase the use of inputs, and particularly fertilizer in Ethiopia, and 

the results suggests that this was successful in driving agricultural growth. Extension services were 

rapidly expanded during this period, such that now there is one extension agent for every 472 farmers, 

an extension agent farmer ratio which is higher than any other farmer ratio in the world (World Bank 

2016). Although extension services are focused on improved production practices more broadly, a large 

focus of extension services has been encouraging farmers to use improved inputs. In addition, although 

there is no official input subsidy program, financial support to primary cooperatives for retail inputs has 

been an estimated US$40 million per year since 2008 which has helped keep retailing margins low 

(Rashid et al. 2013). For the period considered in this paper, financing for fertilizer purchases was also 

channeled to farmers through cooperatives.  

However, just as the importance of access to markets was highlighted in the previous subsection, again 

the importance of market conditions is seen in these results. Good prices not only had a direct impact 

on growth in cereal production, they were also essential to ensuring fertilizer use brought about gains. 

Improvements in marketing efficiency during this time helped to raise producer prices as a share of the 

retail price (Minten et al 2012), again underscoring the importance of the investments in road 

infrastructure that were undertaken. Growth in urban demand has also been important. Dercon and 

Zeitlin (2011) show that food prices rose more sharply in regions where urbanization was faster.   

6. Conclusion 

18  

This paper examines the factors behind Ethiopia’s strong record of reducing poverty in the last decade. 

Multiple sources of data are used to construct measures of economic output, and proxies for public 

goods provision for nearly all zones in Ethiopia. Variation in growth rates of different sectors across time 

and space is used to identify what types of sectoral output growth have contributed to poverty 

reduction. The expansion of roads, easier access to primary schools and the introduction of a large rural 

safety net are also included in the specification to allow for any additional impact of these investments 

on reducing poverty, through a redistributive effect.  

Agricultural output growth was found to explain a large part of Ethiopia’s success in reducing poverty. 

We examine heterogeneity in the impact of agricultural growth and explore drivers of growth. We find 

that the strong relationship between agricultural growth and poverty reduction is conditional on access 

to urban centers, and that policies that encouraged the adoption of agricultural technologies reduced 

poverty, but their effectiveness was dependent on good prices and good weather. The analysis confirms 

the findings of other studies which show that fertilizer, improved seeds and production practices have 

the potential to stimulate agricultural growth in Ethiopia (Teklu 2006, Dercon and Hill 2011, Minten et al 

2012) and that investing in roads reduces poverty (Dercon, Gilligan and Hoddinott 2009). However, the 

conditional nature of this poverty reduction is a reminder that many of the technologies currently on the 

table offer returns that are highly rainfall dependent, rendering this a potentially vulnerable source of 

growth, and that improvements in cereal markets and increasing urban demand are also needed for 

public investments to deliver welfare gains.  

References

Berhane, G. Hill, R.V., Dercon, S, Seyoum Taffesse, A. 2014. The impact of insurance on agricultural 

investment: evidence from Ethiopia. Mimeo, IFPRI. 

Carranza, E. and J. Gallegos. 2013. Ethiopia Trends of Well‐being 2000‐2011. Africa Region, Poverty 

Reduction and Economic Management Report, World Bank. 

Christiaensen, L. L. Demery, J. Kuhl. 2011. The (evolving) role of agriculture in poverty reduction—An 

empirical perspective. Journal of Development Economics 96: 239–254 

Dercon, S. and A. Zeitlin. 2009. Rethinking Agriculture and Growth in Ethiopia: A Conceptual Discussion. 

Paper prepared as part of a study on Agriculture and Growth in Ethiopia, March 2009 

Dercon, S. and R. V. Hill, 2009. Growth from Agriculture in Ethiopia: Identifying Key Constraints. Paper 

prepared as part of a study on Agriculture and Growth in Ethiopia, March 2009 

Dercon, S., Daniel O. Gilligan, John Hoddinott and Tassew Woldehanna, 2009. "The Impact of 

Agricultural Extension and Roads on Poverty and Consumption Growth in Fifteen Ethiopian Villages," 

American Journal of Agricultural Economics 91(4), pages 1007‐1021. 

19  

Dercon, Stefan & Christiaensen, Luc, 2011. "Consumption risk, technology adoption and poverty traps: 

Evidence from Ethiopia," Journal of Development Economics  96(2), pages 159‐173  

Development Planning and Research Directorate, Ministry of Finance and Economic Development 

(MOFED). 2013. Poverty and growth in Ethiopia (1995/96 ‐ 2010/11): The poverty reduction legacy of 

Meles Zenawi and future challenges, MOFED, Addis Ababa. 

Diao, Xinshen, Alemayehu Seyoum Taffesse, Paul A. Dorosh, James Thurlow, Alejandro Nin‐Pratt, and 

Bingxin Yu (2012). “Ethiopia,” in Xinshen Diao, James Thurlow, Samuel Benin, and Shenggen Fan (eds.), 

Strategies and priorities for African agriculture: Economy‐wide perspectives from country studies, 

Chapter 5, pp. 107‐140, International Food Policy Research Institute (IFPRI).   

20  

Elbers, C., J.O. Lanjouw, and P. Lanjouw (2003). “Micro‐level Estimation of Poverty and Inequality,” 

Econometrica, 71(1):355‐364. 

Ferreria, F., P.G. Leite and M. Ravallion. 2010. Poverty reduction without economic growth? Explaining 

Brazil’s poverty dynamics, 1985‐2004. Journal of Development Economics 93(1): 20‐36 

Fox, Louise, and Obert Pimhidzai. 2011. “Is Informality Welfare‐Enhancing Structural Transformation?” 

Policy Research Working Paper 5866. 

Gilligan, Daniel, John Hoddinot and Alemayehu Seyoum Taffesse, 2009. "The Impact of Ethiopia's 

Productive Safety Net Programme and its Linkages," Journal of Development Studies 45(10), pages 

1684‐1706.  

Hill, R. V. and Porter, C. 2014. Vulnerability in Ethiopia. Mimeo, World Bank  

Hoddinott, John, Guush Berhane, Daniel O. Gilligan Neha Kumar and Alemayehu Seyoum Taffesse. 2012. 

The Impact of Ethiopia’s Productive Safety Net Programme and Related Transfers on Agricultural 

Productivity. Journal of African Economies 21(5): 761‐786. 

Jolliffe, Dean, Gbemisola Oseni, Ilana Seff and Alemayehu Ambel, Julia Kowalski, Alina Lipcan, Katie 

McIntosh, Remy Smida, Signe Jung Sørensen. 2014. Nonfarm Enterprises in Rural Ethiopia:  Improving 

Livelihoods by Generating Income and Smoothing Consumption? Background Paper prepared for the 

Ethiopia Poverty Assessment, World Bank.  

Lanjouw, P. and R. Murgai. 2009. Poverty Decline, Agricultural Wages, and Non‐Farm Employment in 

Rural India 1983‐2004. Agricultural Economics. 40(2): 243‐263 

Ligon, E., Sadoulet, E., 2007. Estimating the Effects of Aggregate Agricultural Growth on the Distribution 

of Expenditures. Background paper for the World Development Report 2008.  

Loayza, N., Raddatz, C., 2010. The composition of growth matters for poverty alleviation. Journal of 

Development Economics 93 (1), 137–151.  

Martins, P. 2014. Structural Change in Ethiopia: An Employment Perspective. World Bank Policy 

Research Working Paper No. 6749 

Minten, B. D. Stifel and S. Tamru. 2012. Structural Transformation in Ethiopia: Evidence from Cereal 

Markets. ESSP 2 Working Paper 39.  

Montalvo, Jose G. & Ravallion, Martin, 2010. "The pattern of growth and poverty reduction in 

China,"Journal of Comparative Economics, Elsevier, vol. 38(1), pages 2‐16, March. 

Ravallion, Martin. 2012. “Why don’t we see poverty convergence?” American Economic Review, 102(1): 

504‐523 

Ravallion, Martin, Datt, Gaurav, 1996. How important to India's poor is the sectoral composition of 

economic growth? The World Bank Economic Review 10 (1), 1–2 

21  

Robinson, S. Strzepek, K, and Cervigni, R. 2013. The Cost of Adapting to Climate Change in Ethiopia: 

Sector‐Wise and Macro‐Economic Estimates. ESSP2 Discusion Paper 53.  

Schmidt, E. and M. Kedir. 2009. Urbanization and Spatial Connectivity in Ethiopia: Urban Growth 

Analysis Using GIS. ESSP2 Discussion Paper 3. 

Soderbom, M. 2012.  Firm Size and Structural Change: A Case Study of Ethiopia. Journal of African 

Economies, Vol. 21, AERC Supplement 2, pp. ii126–ii151 

Sohnesen, Thomas P. 2013. 2011 Ethiopia Poverty Map Technical Report. Mimeo, World Bank, 

November, 2013  

Teklu E., Mamo, T. Kidanu, S. and Abebe, M. 2000. “Response of Some Durum Wheat Landraces to 

Nitrogen Application on Ethiopian Vertisols.” Paper presented on the 11th Regional Wheat Workshop 

for Eastern, Central and Southern Africa Sept., 18‐24, 2000, in Addis Ababa, Ethiopia. 

Woldehanna. T., Tsehaye, E. and Hill, R.V. 2014. Commitment to Equity Fiscal Incidence Analysis for 

Ethiopia. Mimeo, World Bank.  

World Bank. 2016. Federal Democratic Republic of Ethiopia: Priorities for Ending Extreme Poverty and 

Promoting Shared Prosperity. Systematic Country Diagnostic. Report No: 100592‐ET. 

World Bank 2014b. Rwanda Poverty Assessment.  

World Bank 2016b. Uganda Poverty Assessment. 

   

22  

Figure 1: comparing survey and small area estimates of zonal poverty rates 

  

Figure 2: Poverty reduction and initial poverty rates a. Zonal poverty rates  b. Woreda poverty rates 

(from small area estimation) 

    

 Table 1: Zonal averages of key variables 

  Data source  1996  2000  2005  2011 

Poverty           Poverty headcount rate (%)  HICES  47.7 

(18.9) 47.4 (15.3) 

40.3 (11.6) 

28.1 (13.7) 

Poverty gap (%)  HICES  13.89 (8.43) 

13.64 (7.69) 

8.65 (4.01) 

7.44 (4.58) 

Poverty severity (%)  HICES  5.57 (4.37) 

5.42 (4.18) 

2.79 (1.74) 

2.92 (2.13) 

Output by sector           Agricultural output per capita (Birr p.c.)  AgSS, HICES  162.9 

(93.3) 155.0 (98.4) 

190.5 (134.7) 

275.8 (191.6) 

Manufacturing output per capita (Birr p.c.)  LMSMS, HICES  52.2   78.3   99.3  159.9 

02

04

06

08

01

00P

ove

rty

rate

from

sur

vey

data

0 20 40 60 80Poverty rate from small area estimate

2000 2011

-1-.

50

.51

chan

ge in

po

vert

y, 2

00

0 to

201

1 (%

)

20 40 60 80 100poverty, 2000 (%)

-1-.

50

.51

1.5

chan

ge in

po

vert

y 2

000

to 2

010

(%

)

.2 .4 .6 .8poverty rate, 2000 (%)

23  

(173.9)  (232.7)  (296.8)  (444.0) Trade services output per capita (Birr p.c.)  DTSS, HICES  126.1 

(128.1) 198.2 (275.6) 

165.1 (139.7) 

216.6 (115.7) 

Cereal output per capita (Birr p.c.)  AgSS, HICES  136.6 (88.2) 

124.6 (87.4) 

139.4 (115.7) 

193.1 (152.2) 

Cash crop output per capita (Birr p.c.)  AgSS, HICES  15.3 (18.5) 

18.1 (23.6) 

38.7 (62.1) 

62.6 (83.5) 

Proportion of output coming from:              Agriculture    0.60 

(0.30) 0.49 (0.27) 

0.52 (0.26) 

0.55 (0.26) 

  Manufacturing    0.07 (0.14) 

0.09 (0.16) 

0.09 (0.17) 

0.09 (0.19) 

  Services    0.34 (0.24) 

0.42 (0.24) 

0.39 (0.23) 

0.36 (0.20) 

Safety nets, basic services and infrastructure Proportion of households in the PSNP (%)  PSNP data  0  0  0  8.3 

(11.4) Distance to the nearest primary school (km)  WMS  4.77 

(2.27) 4.11    (1.55) 

4.14 (2.36) 

2.74 (0.86) 

Distance to bus or taxi service (km)  WMS  20.9 (17.8) 

20.5 (11.9) 

17.5 (10.7) 

13.6 (8.8) 

Distance to town of 50,000 or more (minutes)  Schmidt and Kedir (2009) 

566    (397) 

486.9    (335.7) 

408.0 (279.3) 

317.4 (217.5) 

Agricultural variables           Predicted crop loss due to rainfall (%)  LEAP  11.4 

 (13.5) 22.4  (18.8) 

26.6 (23.1) 

15.7 (16.2) 

Land planted to improved seeds (%)  AgSS  0.5     (0.8) 

1.4 (1.5) 

2.3 (2.2) 

4.1 (4.6) 

Land on which fertilizer is applied (%)  AgSS  15.3 (21.2) 

9.6    (10.6) 

16.7 (16.5) 

27.6 (22.3) 

Weighted index of crop prices (Birr per kg)  AgSS  1.12 (0.25) 

0.86    (0.21) 

1.03 (0.36) 

1.26 (0.37) 

Note: Standard deviation in brackets. All Birr values are in 1996 prices. p.c. stands for per capita  

Table 2: Initial conditions and poverty reduction 

   Coefficient  T‐test     Coefficient  T‐test     Coefficient  T‐test 

Poverty rate in 2000  ‐0.753  ***  ‐6.52    Percent of rainfall needs met (average 2000‐11)  ‐0.001    ‐0.98    ‐0.005  ***  ‐2.9    ‐0.002  *  ‐1.64 

Share of the population in urban areas (1994)  ‐0.045    ‐0.3    0.092    0.52    0.183    1.2 Share of the population that are crop holders (2002)  ‐0.675  ***  ‐2.82    ‐0.444  *  ‐1.64    ‐0.605  **  ‐2.4 

Main crop is teff (2002)  ‐0.003    ‐0.09    ‐0.010    ‐0.28    ‐0.004    ‐0.12 

Main crop is wheat (2002)  0.016    0.37    0.005    0.12    ‐0.010    ‐0.23 

Main crop is maize (2002)  0.121  ***  3.6    0.119  ***  3.13    0.108  ***  3.06 

Food insecure district in which PSNP introduced  0.085  ***  2.78    0.109  ***  3.23    0.074  **  2.31 

Distance to city of 50,000 (minutes, 1994)  0.000  *  1.78    0.000  **  2.05    0.000  *  1.62 

Constant  0.084    0.97    ‐0.327  ***  ‐3.53    ‐0.270  ***  ‐3.83 

Region dummies included  No    Yes    No    Number of observations  391        391        391     

R‐squared  0.157           0.119           0.065       

24  

Source: Authors estimates using small area estimates from Sohnesen 2014, 2015, initial characteristics from 1994 population census, 2002 agricultural census, LEAP and administrative data.   

Table 3: Growth, safety nets and infrastructure investments contributed to poverty reduction    (1)  (2)  (3)  (4)  (5) 

      Weighting results by urban population 

Annualized percentage change in p0  1996‐2011  1996‐2011  1996‐2011  1996‐2005  2000‐2011 

           

 Annualized percentage change in….              

  Output per capita  ‐0.15*         

  (0.09)         

  Agricultural output per capita    ‐0.29**  ‐0.04  ‐0.25*  0.30 

    (0.14)  (0.20)  (0.14)  (0.32) 

  Manufacturing output per capita    ‐0.03  ‐0.47  0.16  ‐1.36* 

    (0.42)  (0.38)  (0.26)  (0.73) 

  Services output per capita    ‐0.04  0.04  ‐0.10  ‐0.17 

    (0.18)  (0.24)  (0.14)  (0.34) 

  Proportion of population in PSNP  ‐0.06**  ‐0.06*  ‐0.09**    ‐0.03 

  (0.03)  (0.03)  (0.04)    (0.05) 

  Distance to primary school  ‐0.08  ‐0.07  0.01  ‐0.25*  0.37** 

  (0.16)  (0.16)  (0.12)  (0.14)  (0.14) 

  Distance to public transport  0.18*  0.14  0.22***  0.16  ‐0.44 

  (0.10)  (0.11)  (0.08)  (0.10)  (0.37) 

Constant  ‐0.02  ‐0.02**  ‐0.01*  ‐0.01  ‐0.04*** 

(0.01)  (0.01)  (0.01)  (0.005)  (0.01) 

   

Observations  147  147  135  90  91 

R‐squared  0.115  0.129  0.169  0.170  0.312 

Number of zones  50  50  46  46  46 Zonal fixed effects included but not shown. Standard errors in parentheses. *** p<0.01, ** p<0.05, * p<0.1 

 Table 4: Weather is a good instrument for growth in the agricultural sector, but not other sectors 

(1)  (2)  (3) 

Annualized percentage change in…. Agricultural output  

Manufacturing output 

Services output 

     Change in predicted rainfall induced crop‐loss  ‐0.001***  0.0001  0.0005 

  (0.0005)  (0.0002)  (0.0004) 

 Annualized percentage change in….       

  Agricultural output per capita  

0.0283  0.180** 

 

 (0.0366)  (0.0847) 

  Manufacturing output per capita  0.231  

0.181 

  (0.299)  

(0.247) 

  Services output per capita  0.263**  0.0323  

  (0.124)  (0.0442)  

  Proportion of population benefiting from PSNP  0.00148  ‐0.00110  0.0231 

  (0.0246)  (0.00862)  (0.0202) 

  Distance to primary school  0.182  ‐0.0649  0.0273 

  (0.118)  (0.0414)  (0.0991) 

  Distance to public transport  ‐0.102  ‐0.0226  0.199*** 

25  

  (0.0748)  (0.0263)  (0.0590) 

Constant  0.0140*  ‐0.00246  ‐0.00104 

(0.00807)  (0.00286)  (0.00678) 

     

Observations  147  147  147 

R‐squared  0.161  0.044  0.163 

Number of zones  50  50  50 Zonal fixed effects included but not shown. Standard errors in parentheses. *** p<0.01, ** p<0.05, * p<0.1 

 Table 5: Agricultural growth caused poverty reduction 

Annualized percentage change in:  Headcount poverty 

Poverty gap index 

Poverty severity index 

 Annualized percentage change in….       

  Agricultural output per capita  ‐1.660**  ‐2.690**  ‐3.205** 

  (0.704)  (1.134)  (1.401) 

  Manufacturing output per capita  0.196  0.565  0.790 

  (0.611)  (0.969)  (1.197) 

  Services output per capita  0.274  0.631  0.810 

  (0.297)  (0.464)  (0.573) 

  Proportion of population benefiting from PSNP  ‐0.0100  0.0903  0.157 

  (0.0502)  (0.078)  (0.0969) 

  Distance to primary school  0.0665  0.084  0.0270 

  (0.242)  (0.376)  (0.465) 

  Distance to public transport  ‐0.0245  ‐0.192  ‐0.274 

(0.172)  (0.270)  (0.334) 

Constant  0.0176  ‐0.007  ‐0.0360 

  (0.0870)  (0.136)  (0.168) 

       

Observations  147  144  144 Zonal fixed effects included but not shown. Standard errors in parentheses. *** p<0.01, ** p<0.05, * p<0.1 

 Table 6: Heterogeneous effects of agricultural growth: agricultural growth was particularly poverty reducing close to urban centers  

      

Growthinagriculturaloutputpercapita Closetotownof50,000plus ‐4.051** (1.617) Farfromtownof50,000plus ‐1.456 (1.003) Lowilliteracyrates ‐1.874 (2.044) Highilliteracyrates 10.94 (20.56) Foodinsecure ‐2.348 (1.428) Notfoodinsecure ‐5.724 (8.537) Drought‐pronehighlands ‐1.995 (1.281)

26  

Moisture‐reliablecerealsareas 7.680 (7.934) Moisture‐reliableensetareas ‐0.907 (2.332) Pastoralandmoisturereliablelowlands ‐6.760 (13.94)Growthinmanufacturingoutputpercapita 0.259 0.456 ‐0.421 0.532

(0.762) (2.282) (1.623) (1.263)Growthinservices 0.447 ‐0.469 0.324 ‐0.129 (0.346) (1.379) (0.535) (0.665)Constant ‐0.0133 0.0216 0.0292 0.0223

(0.119) (0.333) (0.191) (0.185)

Observations 148 148 148 148Numberofzones 50 50 50 50

Zonal fixed effects included but not shown. Estimates of agricultural growth are instrumented with weather shocks. Standard errors in parentheses. *** p<0.01, ** p<0.05, * p<0.1  

Table 7: Drivers of agricultural growth and poverty reduction 

Percentage change in p0 

Growth in revenue from cereals 

Percentage change in p0 

(1)  (2)  (3)  (4)  (5) 

 Annualized percentage change in:           

  Cereal output per capita  ‐0.35**         

(0.16)         

  Cash crop output per capita  0.45         

  (0.54)         

  Proportion of land planted with improved seed    ‐0.026  ‐0.030  0.004  ‐0.007 

    (0.030)  (0.030)  (0.04)  (0.04) 

  Proportion of land applied with fertilizer    0.016    ‐0.01   

    (0.033)    (0.01)   

                 …in bad conditions      ‐0.026    0.001 

      (0.036)    (0.01) 

                 …in good conditions      0.154**    ‐0.04* 

      (0.062)    (0.02) 

  Weighted crop price index    0.124***  0.117**  ‐0.16  ‐0.14 

    (0.047)  (0.047)  (0.15)  (0.14) 

    Predicted rainfall induced crop‐loss    ‐0.005***  ‐0.004***  0.002***  0.002*** 

    (0.001)  (0.001)  (0.001)  (0.001) 

  Manufacturing output per capita  0.02      ‐0.190  ‐0.14 

  (0.42)      (0.42)  (0.41) 

  Services output per capita  ‐0.09      ‐0.16  ‐0.15 

  (0.18)      (0.18)  (0.18) 

Constant  ‐0.03**  0.064***  0.059***  ‐0.04**  ‐0.03** 

  (0.01)  (0.019)  (0.019)  (0.01)  (0.01) 

           

Observations  147  452  452  143  143 

R‐squared  0.141  0.039  0.054  0.225  0.254 

Number of zones  50  38  38  49  49 Zonal fixed effects included but not shown. Standard errors in parentheses. *** p<0.01, ** p<0.05, * p<0.1 

 

27  

Appendix: Testing the robustness of results to addressing inflation 

   (1)  (2)  (3) 

 

Estimating poverty using the CPI deflator 

Adding year fixed effects 

Adding growth in the CPI 

 Annualized percentage change in….          

  Agricultural output per capita  ‐1.743**  ‐1.533*  ‐1.643* 

  (0.732)  (0.822)  (0.835) 

  Manufacturing output per capita  0.239  0.117  0.189 

  (0.637)  (0.613)  (0.625) 

  Services output per capita  0.322  0.207  0.271 

  (0.287)  (0.315)  (0.309) 

  Proportion of population benefiting from PSNP  ‐0.0627  ‐0.00429  ‐0.00482 

  (0.0522)  (0.0695)  (0.0722) 

  Distance to primary school  0.117  0.0807  0.0621 

  (0.249)  (0.250)  (0.257) 

  Distance to public transport  ‐0.0325  ‐0.0332  ‐0.0250 

  (0.171)  (0.164)  (0.170) 

Constant  0.0190  0.0237  0.0195 

  (0.0907)  (0.0853)  (0.0867) 

       Observations  146  147  147 

Standard errors in parentheses. All estimates instrument agricultural growth with the weather and include zonal fixed effects. *** p<0.01, ** p<0.05, * p<0.1